航空发动机故障的诊断与监测是航空发动机相关研究的一个重要领域。及时地预防与诊断航空发动机故障,既可以降低整体维护费用,保持飞机平稳运行,又可以减少事故发生,有效地避免人力财力损失。航空发动机故障的诊断与监测关键在于对性能参数进行精确地实时预测。航空发动机的部件包括进气道,压气机,燃烧室,尾喷管等,各个部件环环相扣,组成了一个极其复杂的结构系统。一旦部分部件发生故障,将会导致整个系统无法正常工作。而航空发动机发生故障最主要的表现之一为压气机物理转速失调,所以对压气机物理转速的精确预测对于航空发动机故障诊断是至关重要的。传统的基于数学机理的预测模型具有很强的非线性与不确定性。随着科学技术的进步,航空发动机的内部结构越发复杂,建模精度越来越难以得到保证。自21世纪以来,在大数据的浪潮中,业界形成了采集-建模-决策的三位一体的数据驱动策略。在建模过程的研究中发现,机器学习建模算法可以在不知道系统内部结构的前提下,仅利用试验数据进行建模,可以有效地避免机理模型求解困难的问题。本文以中航工业沈阳发动机设计研究所提供的某型号涡扇发动机的台架试车数据为研究对象,采用三种基于试验数据的机器学习模型进行建模,对航空发动机气路部件中的压气机物理转速进行实时预测。模型确定过程中采用改进的自适应惯性更新权重粒子群算法对模型参数进行寻优。结果表明本文改进的粒子群算法克服了传统粒子群算法存在的自适应性差,收敛速度慢等问题。针对样本信息不完整的问题,本文采用基于稀疏自编码器的空间重构算法,使样本维数改变,并能够完整描述航空发动机工况,并使用滚动学习-预报技术建立模型输入向量。结果表明利用稀疏自编码器将低维样本的维数适当提升,能够提高模型预测的精确度。验证过程中,本文采用了三种目前流行的机器学习算法:随机森林、支持向量机和核极限学习机,并对三种算法进行了分析与推导。最终利用分组验证的方式对三种算法的回归精确度进行评估,结果表明:与支持向量机算法相比,随机森林算法增强了模型的泛化性,避免了过拟合;与核极限学习机算法相比,随机森林算法增加了样本数量,减少了样本维数,增强了模型对高维数据的学习能力,避免了欠拟合。